IBM lanceert toolkit om gissingen op data te baseren

ibm

IBM brengt een opensource Python toolkit uit die oorzaak-gevolgrelaties zoekt. De analyses zijn relevant voor sectoren zoals gezondheidszorg, landbouw en marketing.  

Op vragen zoals hoe marketingcampagnes bankdeposito’s en aankopen op lange termijn beïnvloeden of wat de oorzaak van iemands ziekte is, kunnen verschillende factoren van invloed zijn. Om bepalende factoren te kunnen aanduiden die de relatie versterken of verzwakken, duikt IBM in de statistiek.

Het bedrijf brengt de Causal Inference 360 Toolkit uit, met tutorials, achtergrondinformatie en demonstraties. In de toolkit vinden gebruikers een reeks bestaande causale inferentiemethoden, samen met nieuwe. Verder bevat het een reeks evaluatiemethoden, waardoor de juiste methode en het juiste model worden geselecteerd voor de vraag.

Oude middelen, nieuwe doelen

IBM verklaart zelf de toolkit te hebben gebouwd om al lang bestaande methoden die gebruik maken van machine learning op het gebied van causale inferentie te brengen. Machine learning-modellen zijn doorgaans niet ontwikkeld om te bepalen wat de kans op een bepaalde uitkomst vergroot of verkleint. IBM maakt dit met de toolkit wel mogelijk.  

Onderzoekers van IBM gebruiken de analyses om met bestaande medicijnen nieuwe oplossingen te zoeken voor ziektes. Michal Rosen-Zvi is één van de onderzoekers en schreef in een blogpost: “Er is een enorm potentieel om geneesmiddelen opnieuw te gebruiken voor veel bestaande neurodegeneratieve en infectiezieken. AI kan enorm helpen in die zoektocht.”

lees ook

AI, machine learning en deep learning: wat is het verschil?

nieuwsbrief

Abonneer je gratis op ITdaily !

  • This field is for validation purposes and should be left unchanged.
terug naar home